データ構造のベストプラクティス

この例のコードは、テキストを解析して固有名詞をすべて集めようとしています。固有名詞の次のトークンが動詞であれば、それも抽出する想定です。doc オブジェクトはすでに作成されています。

# すべてのトークンと品詞タグを取得
pos_tags = [token.pos_ for token in doc]

for index, pos in enumerate(pos_tags):
    # 現在のトークンが固有名詞か確認
    if pos == 'PROPN':
        # 次のトークンが動詞か確認
        if pos_tags[index + 1] == 'VERB':
            print('Found a verb after a proper noun!')

Fråga

なぜこのコードはよくないのでしょうか？

Möjliga svar

result 内のトークンは Token オブジェクトに戻すべきです。そうすれば spaCy で再利用できます。

ネイティブなトークン属性ではなく文字列のリストだけを使っています。これは非効率になりがちで、複雑な関係を表現できません。

固有名詞の抽出に使う属性として pos_ は不適切です。代わりに tag_ と 'NNP' および 'NNS' ラベルを使うべきです。